一个机器学习模型用于预测产前风险的头皮皮不成比例相关的肌痛:一个回顾性研究
Su Zhang1, Hong-Juan Jiang1,2, Su-Xiao Liu3
1Center for Clinical Pharmacy, Cancer Center, Department of Pharmacy, Zhejiang Provincial People's Hospital, Affiliated People's Hospital, Hangzhou Medical College, Hangzhou, Zhejiang, China.
概括
一个新的预测模型可以在产前识别高风险的头皮皮层不成比例 (CPD) 相关的静脉缩病例. 该工具通过标记低风险人群的潜在并发症来帮助产科医生,减少紧急剖腹产.
科学领域:
- 产科和妇科 产科和妇科
- 孕产妇和胎儿医学 孕产妇和胎儿医学
- 临床预测建模临床预测建模
背景情况:
- 与头骨皮层不成比例 (CPD) 相关的静脉仍然是紧急剖腹产 (CD) 的重要原因.
- 产科医生目前的产前临床评估可能无法确定所有高风险病例,从而导致意外的产后并发症.
- 需要一个预测模型来增强与慢性发育不良症相关的产前风险分层.
研究的目的:
- 开发和验证一个产前风险预测模型,用于与头骨皮层不成比例 (CPD) 相关的 dystosia.
- 改善在最初被评估为低风险的人群中识别高风险的CPD病例.
- 提供一个工具,补充产科医生的临床判断.
主要方法:
- 在按分娩结果分层的妇女中,对母亲和胎儿参数的回顾性查 (计划的CD,紧急CD,阴道分娩).
- 选择了21个预测变量,包括母体人口统计,人体测量和胎儿测量.
- 开发和比较八个机器学习算法,随机森林模型被选为其最高的预测能力.
主要成果:
- 3.86%的女性经历了与CPD相关的缩,占紧急CDS的26.25%.
- 随机森林模型在开发中实现了0.824的曲线下的面积 (AUC),在独立验证中达到0.723.
- 开发了一个免费可访问的基于Web的预测工具.
结论:
- 仅仅通过临床判断,就不足以识别所有与慢性病发作相关的stocia病例.
- 开发的预测模型有效地通过使用常规临床参数识别了与CPD相关的静脉变的高风险怀孕.
- 这种模式有可能通过主动管理来减少紧急剖腹产.
